一种基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法技术

一种基于ICOA‑BPNN的分布式光伏电站有功功率虚拟采集方法，包括如下步骤：步骤1，设定虚拟采集的标杆电站；步骤2，数据的获取与预处理；步骤3，将样本集分为训练集与预测集；步骤4，对郊狼优化算法进行改进；步骤5：利用步骤4的优化算法优化BP神经网络的权值与阈值；步骤6，进行训练；步骤7，标杆电站功率预测；步骤8，虚拟采集。该方法通过划分网格化区域以消除了外界环境对光伏功率造成的影响，通过IOCA‑BP神经网络以及相似度指数预估网格区域其他分布式光伏电站的功率，解决了由于地处偏远农村贫瘠地区数量多、容量小、运维水平较低的分布式光伏电站相对于大型光伏电站成本过高，得不偿失的问题。

【技术实现步骤摘要】
一种基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法
本专利技术涉及分布式光伏数据采集技术，尤其涉及一种基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法。
技术介绍
一般而言，分布式光伏电站通过安装功率和环境等数据采集装置，实时记录光伏功率和辐照度、环境温度等重要数据。然而，由于地处偏远农村贫瘠地区数量多、容量小、运维水平较低的分布式光伏电站相对于大型光伏电站本身受益不高，配置完备的发电量测量设备以及外界环境信息测量设备，成本过高，得不偿失。另外，部分光伏业主用户为了自身的利益而虚报发电量信息，或者伪装发电骗取政府补贴的现象层出不穷，给光伏工作带来了诸多不便。分布式光伏的发电功率是电网企业计量计费、业主经济收益和政府政策补贴等多方诉求的基础。因此，如何在仅安装少量实时采集装置条件下，获取区域内所有分布式光伏电站发电功率，满足分布式光伏运维低成本的目标，并杜绝伪装发电骗取补贴现象的发生，具有重大的工程应用价值。近年来，国内外专家学者们对于光伏功率预测或预测研究有不少，一般以历史数据，高精度的天气状态监测、环境信息数据等为原始数据进行光伏功率的预测。目前的光伏预测或预测方法研究主要针对以历史数据、环境数据以及天气状况信息等外界条件进行光伏出力预测。然而，影响分布式光伏出力的因素具有强不确定性，已有的数据无法完全反应光伏的出力，且场景多样化条件下详细的考查每一种因素既不可能也无必要。另外，分布式光伏电站具有点多面广、分散无序的特点，且大多地处偏远山区通信条件较弱，也使得天气，环境等外界信息获取难度大、成本高。为解决上述问题，本专利技术提出‘虚拟采集’概念，虚拟采集是一种利用已知去寻找未知的方法，即利用网格化区域内相似子系统间参量的估算方法，具体技术路线如下(1)通过网格划分创造相似子系统，子系统能量关系相同，以消除外界环境对虚拟采集的影响。(2)对实时标杆电站进行日前小时级功率预测，为其余电站的功率的虚拟采集作准备(3)根据相似度系数，利用标杆电站的功率预测信息，进行其余子电站有功功率的虚拟采集，减少光伏数据采集设备的安装和使用。本专利技术为解决传统BP神经网络算法收敛速度慢，精度低的问题，应用改进郊狼优化算法优化BP神经网络的初始权值与阈值，实现实时采集标杆电站日前小时功率的精准预测，实验结果表明，虚拟采集方法具有较高的测量精度，改进的郊狼算法(ImprovedCoyoteOptimizationAlgorithm,ICOA)优化了神经网络初始的权值与阈值，解决了BP神经网络(BPNN)预测精度低的缺点，且ICOA相比于传统COA具有更高的求解精度与收敛速度。
技术实现思路
针对现有技术中存在的问题，本专利技术提供了一种基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法。该方法以降低分布式光伏运维低成本，并杜绝伪装发电骗取补贴现象的发生为目标，通过网格划分创造相似子系统，子系统能量关系相同，以消除外界环境对虚拟采集的影响。其次，对标杆电站进行日前小时级功率预测，并根据网格化区域内电站与其余电站的相似度系数，利用标杆电站的功率预测信息，完成其余子电站有功功率的虚拟采集。另一方面，针对郊狼优化算法中郊狼个体仅受‘社会’的影响而没有‘个体’思想的现象，提出了一种新型的成长策略，增加郊狼的‘个体’行为，避免了郊狼个体易受组内最优郊狼引导而陷入局部最优的问题，同时采用重新随机分组策略加强郊狼个体间的信息交流，最后引入基于Sigmoid函数的自适应的精英保留策略以防止种群中最优郊狼个体被破坏。本专利技术采用如下技术方案：一种基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法，其特征在于，所述方法包括以下步骤：步骤1：根据外界环境信息划分网格化区域，选取区域内一台电站或多台电站作为虚拟采集的标杆电站，其中所述外界信息包括海拔高度和/或当地一天之内的温度变化；步骤2：获取标杆电站的功率数据，并在所述功率数据集中剔除异常数据，其中，所述异常数据包括一天内部分时间点上缺失的功率数据以及由于光伏电站故障或未工作，一天内所有时间点上功率均为0的无效数据；步骤3：将步骤2中处理好的样本集分为训练集与预测集；步骤4：以郊狼群组中个体极值与郊狼成长前的解之差作为个体极值引导算子，与等级制度相关的算子按照权重动态更新等级制度相关的算子，对郊狼优化算法进行改进，获得ICOA算法；步骤5：采用所述步骤4中获得的ICOA算法优化BPNN光伏电站有功功率预测模型的权值与阈值；步骤6：将步骤5中优化好的权值与阈值作为BPNN光伏电站有功功率预测模型的初始权值与阈值，使用所述步骤3中训练集进行训练；步骤7：用训练好的BPNN光伏电站有功功率预测模型对标杆电站的功率进行预测；步骤8：利用相似度指数预测网格化区域除标杆电站的所有光伏电站对应时刻的功率，实现网格化区域虚拟采集；ICOA是指改进的郊狼优化算法，BPNN是指反向传播神经网络。本专利技术还进一步采用以下优选技术方案：所述步骤1包括以下步骤：步骤101：选定光伏云网覆盖下的待测电站所在区域，确定方块区域的经度、纬度，设经度、纬度最低点为起始点A；步骤102：根据方块区域的海拔高度，气候情况，选定单元网格大小；步骤103：根据单元网格大小，将方块区域划分为N个网格，对于落在网格边缘的分布式光伏电站，选择靠近点A最近的网格作为自己的所属网格；步骤104：对于待测电站，获取其经纬度信息(x,y)及电站容量，按照预定规则选取网格内一个或多个光伏电站为标杆电站。在步骤102中，分布式光伏电站所处的地理位置海拔低于1000m时，划分的单元网格大小为1km×1km；分布式光伏电站所处的地址位置海拔高于1500m时，划分的单元网格大小为3km×3km。分布式光伏电站所处位置的某个季节昼夜温差常大于25摄氏度，且分布式光伏电站所处的地理位置海拔低于1000m时，划分的单元网格大小为0.5km×0.5km；分布式光伏电站所处位置的某个季节昼夜温差常低于25摄氏度，且分布式光伏电站所处的地理位置海拔高于1500m时，划分的单元网格大小为1.5km×1.5km。在所述步骤2中，获取所述标杆电站一年内不同季节、每一天不同时间段的功率数据。所述步骤4包括以下步骤：步骤401：使用如下公式计算个体极值引导算子δ3：其中,为个体极值，cr3为p组内随机选取的郊狼个体，指郊狼组群p中第cr3只郊狼成长前的解；步骤402：将郊狼优化算法中等级制度相关的算子δ1与所述步骤401中的个体极值引导算子δ3进行组合，获得以下优化后的郊狼群组内的新的等级制度相关算子δ1′：δ1′＝c1δ1+c2δ3其中δ1为郊狼群组内原始等级制度；δ2为郊狼群组内的群体文化；c1为，c2为分别为算子δ1与δ2的学习因子；步骤403：根据步骤401和步骤402获得优化后的成长策略：其中，是指郊狼组群本文档来自技高网...

【技术保护点】
1.一种基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法，其特征在于，所述方法包括以下步骤：/n步骤1：根据外界环境信息划分网格化区域，选取区域内一台电站或多台电站作为虚拟采集的标杆电站，其中所述外界信息包括海拔高度和/或当地一天之内的温度变化；/n步骤2：获取标杆电站的功率数据，并在所述功率数据集中剔除异常数据，其中，所述异常数据包括一天内部分时间点上缺失的功率数据以及由于光伏电站故障或未工作，一天内所有时间点上功率均为0的无效数据；/n步骤3：将步骤2中处理好的样本集分为训练集与预测集；/n步骤4：以郊狼群组中个体极值与郊狼成长前的解之差作为个体极值引导算子，与等级制度相关的算子按照权重动态更新等级制度相关的算子，对郊狼优化算法进行改进，获得ICOA算法；/n步骤5：采用所述步骤4中获得的ICOA算法优化BPNN光伏电站有功功率预测模型的权值与阈值；/n步骤6：将步骤5中优化好的权值与阈值作为BPNN光伏电站有功功率预测模型的初始权值与阈值，使用所述步骤3中训练集进行训练；/n步骤7：用训练好的BPNN光伏电站有功功率预测模型对标杆电站的功率进行预测；/n步骤8：利用相似度指数预测网格化区域除标杆电站的所有光伏电站对应时刻的功率，实现网格化区域虚拟采集；/nICOA是指改进的郊狼优化算法，BPNN是指反向传播神经网络。/n...

【技术特征摘要】
1.一种基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法，其特征在于，所述方法包括以下步骤：
步骤1：根据外界环境信息划分网格化区域，选取区域内一台电站或多台电站作为虚拟采集的标杆电站，其中所述外界信息包括海拔高度和/或当地一天之内的温度变化；
步骤2：获取标杆电站的功率数据，并在所述功率数据集中剔除异常数据，其中，所述异常数据包括一天内部分时间点上缺失的功率数据以及由于光伏电站故障或未工作，一天内所有时间点上功率均为0的无效数据；
步骤3：将步骤2中处理好的样本集分为训练集与预测集；
步骤4：以郊狼群组中个体极值与郊狼成长前的解之差作为个体极值引导算子，与等级制度相关的算子按照权重动态更新等级制度相关的算子，对郊狼优化算法进行改进，获得ICOA算法；
步骤5：采用所述步骤4中获得的ICOA算法优化BPNN光伏电站有功功率预测模型的权值与阈值；
步骤6：将步骤5中优化好的权值与阈值作为BPNN光伏电站有功功率预测模型的初始权值与阈值，使用所述步骤3中训练集进行训练；
步骤7：用训练好的BPNN光伏电站有功功率预测模型对标杆电站的功率进行预测；
步骤8：利用相似度指数预测网格化区域除标杆电站的所有光伏电站对应时刻的功率，实现网格化区域虚拟采集；
ICOA是指改进的郊狼优化算法，BPNN是指反向传播神经网络。


2.根据权利要求1所述的基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法，其特征在于：
所述步骤1包括以下步骤：
步骤101：选定光伏云网覆盖下的待测电站所在区域，确定方块区域的经度、纬度，设经度、纬度最低点为起始点A；
步骤102：根据方块区域的海拔高度，气候情况，选定单元网格大小；
步骤103：根据单元网格大小，将方块区域划分为N个网格，对于落在网格边缘的分布式光伏电站，选择靠近点A最近的网格作为自己的所属网格；
步骤104：对于待测电站，获取其经纬度信息(x,y)及电站容量，按照预定规则选取网格内一个或多个光伏电站为标杆电站。


3.根据权利要求2所述的基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法，其特征在于：
在步骤102中，分布式光伏电站所处的地理位置海拔低于1000m时，划分的单元网格大小为1km×1km；
分布式光伏电站所处的地址位置海拔高于1500m时，划分的单元网格大小为3km×3km。


4.根据权利要求1-3任意一项所述的基于ICOA-BPNN的分布式光伏电站有功功率虚拟采集方法，其特征在于：
分布式光伏电站所处位置的某个季节昼夜温差常大于25摄氏度，且分布式光伏电站所处的地理位置海拔低于1000m时，划分...

【专利技术属性】
技术研发人员：王文天，张明，葛磊蛟，嵇文路，姜小涛，方磊，牛睿，张继东，宋昭杉，许洪华，周冬旭，张玮亚，刘嘉恒，周科峰，傅乔清，许超，杨卓然，
申请(专利权)人：国网江苏省电力有限公司南京供电分公司，天津大学，
类型：发明
国别省市：江苏;32